Un hashtag es un tipo de etiqueta de metadatos utilizada en redes sociales, como Twitter y otros servicios de microblogging. Los hashtags indican la idea central de una publicación de microblog y pueden ayudar a las personas a buscar temas o contenido específicos. Sin embargo, no todos etiquetan sus publicaciones por sí mismos. Por lo tanto, la tarea de recomendación de hashtags ha recibido una atención significativa en los últimos años. Para resolver la tarea, un problema clave es cómo representar efectivamente el texto de una publicación de microblog de manera que su representación pueda ser utilizada para la recomendación de hashtags. Estudiamos dos tipos principales de métodos de representación de texto para la recomendación de hashtags, incluyendo características textuales superficiales y características textuales profundas aprendidas por modelos neuronales profundos. La mayoría de los trabajos existentes intentan utilizar redes neuronales profundas para aprender la representación de publicaciones de microblog basándose en la combinación semántica de palabras. En este artículo, proponemos adoptar Tree-LSTM para mejorar la representación combinando la estructura sintáctica y la información semántica de las palabras. Realizamos experimentos extensos en dos conjuntos de datos del mundo real. Los resultados experimentales muestran que los modelos neuronales profundos generalmente tienen un mejor rendimiento que los métodos tradicionales. En particular, Tree-LSTM logra resultados significativamente mejores en la recomendación de hashtags que el LSTM estándar, con un aumento del 30% en la puntuación F1, lo que indica que es prometedor utilizar la estructura sintáctica en la tarea de recomendación de hashtags.